2018-08-30 14:55:12
44阅读
ps：由于公司网站配置的测试环境被百度爬虫抓取，干扰了线上正常环境的使用，刚好看到每次搜索淘宝时，都会有一句由于robots.txt文件存在限制指令无法提供内容描述，于是便去学习了一波
1.原来一般来说搜索引擎爬取网站时都会，先读取下robots.txt文件，并依照里面所设定的规则去爬取网站（当然是指没用登录限制的页面）
2.下面我们就来说一说如何设置robots.txt文件
1 ).robots.txt文件必须是放在文件根目录上：
例如：
├─admin
│ └─templates
│ header.tpl.php
│ task_add.tpl.php
│ └─robots.txt
2 ) .首先常用的命令为
User-agent : 可以具体制定User-agent适用，即搜索引擎的名字，如果为 * 的话则为通配
Disallow : 可以设定档案或文件夹，不允许被爬虫爬取，且为 / 时禁止爬取整站 ，也可以指定文件路径，不可爬取
Crawl-delay: 延时爬取，防止爬虫短时间内爬取网站过快导致网站崩溃，则可以设置该延时
Allow : 允许爬取指定页面， 为 / 时爬取整站
3 ) 搜索引擎别称
Googlebot 谷歌
Baiduspider 百度
等等
类似我们测试环境就设置了
User-agent : / 所有搜索引擎
Disallow : / 禁止整站
文章来源：转载自https://www.cnblogs.com/jjq-exchange/p/9549989.html
最后生成于
2024-06-22 12:03:01
热门推荐：
此内容有帮助 ?
0
1230博客
